python(np.random.seed())

转载博文链接:https://blog.csdn.net/weixin_38171245/article/details/99807417

------------恢复内容开始------------

首先显示一段代码:

import numpy as np
num = 0
while(num<5):
np.random.seed(1)
print(np.random.random())
num += 1

print('-------------------------')
num1 = 0
np.random.seed(2)
while(num1<5):
print(np.random.random())
num1 += 1

运行结果:

0.417022004702574
0.417022004702574
0.417022004702574
0.417022004702574
0.417022004702574
-------------------------
0.43599490214200376
0.025926231827891333
0.5496624778787091
0.4353223926182769
0.42036780208748903

Process finished with exit code 0

讲解:

seed( ) 用于指定随机数生成时所用算法开始的整数值。 

  1.如果使用相同的seed( )值,则每次生成的随即数都相同; 

  2.如果不设置这个值,则系统根据时间来自己选择这个值,此时每次生成的随机数因时间差异而不同。 

  3.设置的seed()值仅一次有效

所谓随机数其实是伪随机数,所谓的‘伪’,意思是这些数其实是有规律的,只不过因为算法规律太复杂,很难看出来。再厉害的算法,没有一个初始值,它也不可能凭空造出一系列随机数来,我们说的种子就是这个初始值。

random随机数是这样生成的:我们将这套复杂的算法(是叫随机数生成器吧)看成一个黑盒,把我们准备好的种子扔进去,它会返给你两个东西,一个是你想要的随机数,另一个是保证能生成下一个随机数的新的种子,把新的种子放进黑盒,又得到一个新的随机数和一个新的种子,从此在生成随机数的路上越走越远。

再看我们的代码:

第一段代码把对种子的设置放在了循环里面,每次执行循环都旗帜鲜明地告诉黑盒:“我的种子是1”。那么很显然:同一个黑盒,同一个种子,自然得到的是同一个随机数。

第二段代码把对种子的设置放在了循环外面,他只在第一次循环的时候明确地告诉黑盒:“我的种子是2”。那么也很显然:从第二次循环开始,黑盒用的就是自己生成的新种子了。

多说一句:因为黑盒是始终如一的,所以只要你没改变种子,那么你得到的随机数就不会改变。

没有特殊需求的话,还是老老实实地用Python自动选择的种子吧,省心又省力。

 

深入理解:

在使用numpy时,难免会用到随机数生成器。一直对np.random.seed(),随机数种子搞不懂。很多博客也就粗略的说,利用随机数种子,每次生成的随机数相同。

两个疑惑:1, 利用随机数种子,每次生成的随机数相同。这是什么意思?

     2,随机数种子的参数怎么选择?在别人的代码中经常看到np.random.seed(Argument),这个参数不一样,有的是0,有的是1,当然还有其他数。那这个参数应该怎么选择呢?

通过对别的博客的理解,我做了以下几组实验:

 

import numpy as np

if __name__ == '__main__':
    i = 0
    while(i<6):
        if(i<3):
            np.random.seed(0)
            print(np.random.randn(1, 5))
        else:
            print(np.random.randn(1, 5))
            pass
        i += 1
    i = 0
    while(i<2):
        print(np.random.randn(1, 5))
        i += 1
    print(np.random.randn(2, 5))
    np.random.seed(0)
    i = 0
    while(i<8):
        print(np.random.randn(1, 5))
        i += 1

运行结果:

  1.   [[ 1.76405235 0.40015721 0.97873798 2.2408932 1.86755799]]
  2.   [[ 1.76405235 0.40015721 0.97873798 2.2408932 1.86755799]]
  3.   [[ 1.76405235 0.40015721 0.97873798 2.2408932 1.86755799]]
  4.   [[-0.97727788 0.95008842 -0.15135721 -0.10321885 0.4105985 ]]
  5.   [[ 0.14404357 1.45427351 0.76103773 0.12167502 0.44386323]]
  6.   [[ 0.33367433 1.49407907 -0.20515826 0.3130677 -0.85409574]]
  7.   [[-2.55298982 0.6536186 0.8644362 -0.74216502 2.26975462]]
  8.   [[-1.45436567 0.04575852 -0.18718385 1.53277921 1.46935877]]
  9.   [[ 0.15494743 0.37816252 -0.88778575 -1.98079647 -0.34791215]
  10.   [ 0.15634897 1.23029068 1.20237985 -0.38732682 -0.30230275]]
  11.   [[ 1.76405235 0.40015721 0.97873798 2.2408932 1.86755799]]
  12.   [[-0.97727788 0.95008842 -0.15135721 -0.10321885 0.4105985 ]]
  13.   [[ 0.14404357 1.45427351 0.76103773 0.12167502 0.44386323]]
  14.   [[ 0.33367433 1.49407907 -0.20515826 0.3130677 -0.85409574]]
  15.   [[-2.55298982 0.6536186 0.8644362 -0.74216502 2.26975462]]
  16.   [[-1.45436567 0.04575852 -0.18718385 1.53277921 1.46935877]]
  17.   [[ 0.15494743 0.37816252 -0.88778575 -1.98079647 -0.34791215]]
  18.   [[ 0.15634897 1.23029068 1.20237985 -0.38732682 -0.30230275]]
  19.    

  

通过该实验我们可以得到以下结论:

1.1.可以看出,像http://blog.csdn.net/linzch3/article/details/58220569这篇博客中提到的,np.random.seed()对后面的随机数一次有效,而不是一直有效,这种说法是错误的。

两次利用随机数种子后,即便是跳出循环后,生成随机数的结果依然是相同的。第一次跳出while循环后,进入第二个while循环,得到的两个随机数组确实和加了随机数种子不一样。但是,后面的加了随机数种子的,八次循环中的结果和前面的结果是一样的。说明,随机数种子对后面的结果一直有影响。同时,加了随机数种子以后,后面的随机数组都是按一定的顺序生成的。

1.2.在同样的随机种子后第六次的随机数生成结果,(结果高亮部分),两行五列的数组和两个一行五列的数组结果相同。说明,在生成多行随机数组时,是由单行随机数组组合而成的。

现在我们回答了第一个疑惑:利用随机数种子,每次生成的随机数相同。这是什么意思? --就是使后面的随机数按一定的顺序生成。

import numpy as np

if __name__ == '__main__':
    i = 0
    np.random.seed(0)
    while(i<3):
        print(np.random.randn(1, 5))
        i += 1
    i = 0
    np.random.seed(1)
    i = 0
    while(i<3):
        print(np.random.randn(1, 5))
        i += 1
[[ 1.76405235  0.40015721  0.97873798  2.2408932   1.86755799]]
[[-0.97727788  0.95008842 -0.15135721 -0.10321885  0.4105985 ]]
[[ 0.14404357  1.45427351  0.76103773  0.12167502  0.44386323]]

[[ 1.62434536 -0.61175641 -0.52817175 -1.07296862  0.86540763]]
[[-2.3015387   1.74481176 -0.7612069   0.3190391  -0.24937038]]
[[ 1.46210794 -2.06014071 -0.3224172  -0.38405435  1.13376944]]

你可以实验,在你的电脑上,当随机数种子参数为0和1时,生成的随机数和我上面高亮的结果相同。说明该参数指定了一个随机数生成的起始位置。每个参数对应一个位置。并且在该参数确定后,其后面的随机数的生成顺序也就确定了。

所以,现在我们回答了我的第二个疑问:随机数种子的参数怎么选择?我认为随意,这个参数只是确定一下随机数的起始位置。

------------恢复内容结束------------

首先显示一段代码:

import numpy as np
num = 0
while(num<5):
np.random.seed(1)
print(np.random.random())
num += 1

print('-------------------------')
num1 = 0
np.random.seed(2)
while(num1<5):
print(np.random.random())
num1 += 1

运行结果:

0.417022004702574
0.417022004702574
0.417022004702574
0.417022004702574
0.417022004702574
-------------------------
0.43599490214200376
0.025926231827891333
0.5496624778787091
0.4353223926182769
0.42036780208748903

Process finished with exit code 0

讲解:

seed( ) 用于指定随机数生成时所用算法开始的整数值。 

  1.如果使用相同的seed( )值,则每次生成的随即数都相同; 

  2.如果不设置这个值,则系统根据时间来自己选择这个值,此时每次生成的随机数因时间差异而不同。 

  3.设置的seed()值仅一次有效

所谓随机数其实是伪随机数,所谓的‘伪’,意思是这些数其实是有规律的,只不过因为算法规律太复杂,很难看出来。再厉害的算法,没有一个初始值,它也不可能凭空造出一系列随机数来,我们说的种子就是这个初始值。

random随机数是这样生成的:我们将这套复杂的算法(是叫随机数生成器吧)看成一个黑盒,把我们准备好的种子扔进去,它会返给你两个东西,一个是你想要的随机数,另一个是保证能生成下一个随机数的新的种子,把新的种子放进黑盒,又得到一个新的随机数和一个新的种子,从此在生成随机数的路上越走越远。

再看我们的代码:

第一段代码把对种子的设置放在了循环里面,每次执行循环都旗帜鲜明地告诉黑盒:“我的种子是1”。那么很显然:同一个黑盒,同一个种子,自然得到的是同一个随机数。

第二段代码把对种子的设置放在了循环外面,他只在第一次循环的时候明确地告诉黑盒:“我的种子是2”。那么也很显然:从第二次循环开始,黑盒用的就是自己生成的新种子了。

多说一句:因为黑盒是始终如一的,所以只要你没改变种子,那么你得到的随机数就不会改变。

没有特殊需求的话,还是老老实实地用Python自动选择的种子吧,省心又省力。

 

深入理解:

在使用numpy时,难免会用到随机数生成器。一直对np.random.seed(),随机数种子搞不懂。很多博客也就粗略的说,利用随机数种子,每次生成的随机数相同。

两个疑惑:1, 利用随机数种子,每次生成的随机数相同。这是什么意思?

     2,随机数种子的参数怎么选择?在别人的代码中经常看到np.random.seed(Argument),这个参数不一样,有的是0,有的是1,当然还有其他数。那这个参数应该怎么选择呢?

通过对别的博客的理解,我做了以下几组实验:

 

import numpy as np

if __name__ == '__main__':
    i = 0
    while(i<6):
        if(i<3):
            np.random.seed(0)
            print(np.random.randn(1, 5))
        else:
            print(np.random.randn(1, 5))
            pass
        i += 1
    i = 0
    while(i<2):
        print(np.random.randn(1, 5))
        i += 1
    print(np.random.randn(2, 5))
    np.random.seed(0)
    i = 0
    while(i<8):
        print(np.random.randn(1, 5))
        i += 1

运行结果:

  1.   [[ 1.76405235 0.40015721 0.97873798 2.2408932 1.86755799]]
  2.   [[ 1.76405235 0.40015721 0.97873798 2.2408932 1.86755799]]
  3.   [[ 1.76405235 0.40015721 0.97873798 2.2408932 1.86755799]]
  4.   [[-0.97727788 0.95008842 -0.15135721 -0.10321885 0.4105985 ]]
  5.   [[ 0.14404357 1.45427351 0.76103773 0.12167502 0.44386323]]
  6.   [[ 0.33367433 1.49407907 -0.20515826 0.3130677 -0.85409574]]
  7.   [[-2.55298982 0.6536186 0.8644362 -0.74216502 2.26975462]]
  8.   [[-1.45436567 0.04575852 -0.18718385 1.53277921 1.46935877]]
  9.   [[ 0.15494743 0.37816252 -0.88778575 -1.98079647 -0.34791215]
  10.   [ 0.15634897 1.23029068 1.20237985 -0.38732682 -0.30230275]]
  11.   [[ 1.76405235 0.40015721 0.97873798 2.2408932 1.86755799]]
  12.   [[-0.97727788 0.95008842 -0.15135721 -0.10321885 0.4105985 ]]
  13.   [[ 0.14404357 1.45427351 0.76103773 0.12167502 0.44386323]]
  14.   [[ 0.33367433 1.49407907 -0.20515826 0.3130677 -0.85409574]]
  15.   [[-2.55298982 0.6536186 0.8644362 -0.74216502 2.26975462]]
  16.   [[-1.45436567 0.04575852 -0.18718385 1.53277921 1.46935877]]
  17.   [[ 0.15494743 0.37816252 -0.88778575 -1.98079647 -0.34791215]]
  18.   [[ 0.15634897 1.23029068 1.20237985 -0.38732682 -0.30230275]]
  19.    

  

通过该实验我们可以得到以下结论:

1.1.可以看出,像http://blog.csdn.net/linzch3/article/details/58220569这篇博客中提到的,np.random.seed()对后面的随机数一次有效,而不是一直有效,这种说法是错误的。

两次利用随机数种子后,即便是跳出循环后,生成随机数的结果依然是相同的。第一次跳出while循环后,进入第二个while循环,得到的两个随机数组确实和加了随机数种子不一样。但是,后面的加了随机数种子的,八次循环中的结果和前面的结果是一样的。说明,随机数种子对后面的结果一直有影响。同时,加了随机数种子以后,后面的随机数组都是按一定的顺序生成的。

1.2.在同样的随机种子后第六次的随机数生成结果,(结果高亮部分),两行五列的数组和两个一行五列的数组结果相同。说明,在生成多行随机数组时,是由单行随机数组组合而成的。

现在我们回答了第一个疑惑:利用随机数种子,每次生成的随机数相同。这是什么意思? --就是使后面的随机数按一定的顺序生成。

import numpy as np

if __name__ == '__main__':
    i = 0
    np.random.seed(0)
    while(i<3):
        print(np.random.randn(1, 5))
        i += 1
    i = 0
    np.random.seed(1)
    i = 0
    while(i<3):
        print(np.random.randn(1, 5))
        i += 1
[[ 1.76405235  0.40015721  0.97873798  2.2408932   1.86755799]]
[[-0.97727788  0.95008842 -0.15135721 -0.10321885  0.4105985 ]]
[[ 0.14404357  1.45427351  0.76103773  0.12167502  0.44386323]]

[[ 1.62434536 -0.61175641 -0.52817175 -1.07296862  0.86540763]]
[[-2.3015387   1.74481176 -0.7612069   0.3190391  -0.24937038]]
[[ 1.46210794 -2.06014071 -0.3224172  -0.38405435  1.13376944]]

你可以实验,在你的电脑上,当随机数种子参数为0和1时,生成的随机数和我上面高亮的结果相同。说明该参数指定了一个随机数生成的起始位置。每个参数对应一个位置。并且在该参数确定后,其后面的随机数的生成顺序也就确定了。

所以,现在我们回答了我的第二个疑问:随机数种子的参数怎么选择?我认为随意,这个参数只是确定一下随机数的起始位置。

上一篇:32位循环左移一位(汇编)


下一篇:羽夏逆向指引——破解第一个程序